综述：机器学习算法在肌电假肢控制手势识别中的全面综述：当前趋势、挑战与未来方向

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：A Comprehensive Survey of Machine Learning Algorithms in Hand Gesture Recognition for Myoelectric Prosthetic Control: Current Trends, Challenges and Future Directions

本综述系统回顾了近二十年来机器学习（ML）与深度学习（DL）在基于表面肌电信号（sEMG）的手势识别（HGR）用于肌电假肢控制领域的进展。文章详细探讨了传感模态、公开数据集、特征提取与选择技术，并批判性分析了ML/DL分类器性能。同时，综述还阐述了多模态传感融合技术（如sEMG与FMG、IMU等结合）在提升假肢设备鲁棒性方面的潜力，并指出了硬件设计、运动解码技术等领域的开放挑战与未来研究方向，为相关领域研究人员提供了全面的技术概览与发展洞察。

　　

引言

为了改善手部截肢者的生活质量，使用被称为仿生手的假肢手以最大可能地恢复人体神经骨骼系统的基本功能变得至关重要。在主动上肢假肢中，表面肌电信号因其无创特性而被广泛用于控制假肢手。sEMG信号反映了作为生物电位的肌肉收缩，能够显现来自肌肉的生物信息，在解码运动意图和控制假肢设备方面发挥着关键作用。因此，通过识别sEMG中的隐藏模式来识别手势有助于增强假肢设备的鲁棒性。在此方向上，手势识别不仅在假肢控制中具有潜在应用，还在虚拟现实（VR）/增强现实（AR）、基于手势的游戏控制和家庭自动化中具有价值。

材料与方法

本系统性综述遵循PRISMA指南，使用Web of Science和PubMed数据库，时间跨度为2007年至2024年7月。通过制定九个研究问题（RQ），系统性地检索和筛选了来自Springer、Elsevier、IEEE和Frontiers等出版物的文献，最终纳入100篇相关文章进行评估，旨在全面审视ML和DL算法在手势识别中的应用及面临的挑战。

上肢假肢控制与可穿戴传感器

经桡骨截肢严重影响个体执行功能活动的能力。通过利用来自残余肌肉的电信号并将其转化为电动假肢手的命令，可以实现可接受的抓握功能。基于sEMG的控制接口可用于解码受试者的运动意图。肌电假肢控制的设计通常包括四个主要阶段：数据采集与分割、特征提取与选择、手势分类以及控制器实现。开发鲁棒的假肢手需要通过利用sEMG信号中的隐藏特征来识别具有力变化的功能性手势。

生物信号与多传感器数据融合

虽然sEMG因其无创性而被广泛采用，但其易受噪声干扰且对精细手指运动的信号强度较差。因此，为了提高手势设备的可靠性、鲁棒性和准确性，研究人员积极研究多传感器融合技术在HGR中的潜力。sEMG的潜在替代或补充方案包括力肌成像（FMG）、肌动图（MMG）、超声成像（SMG）、惯性测量单元（IMU）和近红外光谱（NIRS）等。融合技术主要分为三类：数据级融合、特征级融合和决策级融合。这些方法通过整合来自不同传感器的信息，旨在提高识别系统的整体性能。

基于机器学习框架的手势分类

基于ML的sEMG模式识别框架包含六个关键阶段：数据采集、预处理、特征提取、特征选择、分类和评估。

公开数据集对推动研究至关重要，如Ninapro、GRABMyo和Khushaba等数据集为手势分类、力估计等研究提供了基准。

预处理阶段涉及过滤、数据分割和信号分解。sEMG信号容易受到运动伪影、基线噪声、电源线干扰等多种噪声的污染。Butterworth滤波器、小波变换等技术常用于去噪。

特征提取是从sEMG信号中获取代表性特征的关键步骤，主要包括时域（TD）特征（如MAV、ZC、WL）、频域（FD）特征（如MNF、MDF）和时频域（TFD）特征（如STFT、CWT、WPT）。此外，空间特征和神经编码等新兴特征也开始被探索。

特征选择旨在降低维度，避免“维度灾难”，常用方法包括过滤法（如互信息）、包裹法（如序列前向选择）和降维法（如PCA、kPCA）。

分类器模型方面，支持向量机（SVM）、K近邻（KNN）、线性判别分析（LDA）等是常用的ML算法。

基于深度学习框架的分类

深度学习模型如卷积神经网络（CNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）和双向LSTM（Bi-LSTM）能够自动从原始信号或特征集中学习层次化表征，避免了繁琐的手工特征工程。处理方式主要有两种：一是将原始sEMG信号直接输入DL模型；二是将手工提取的特征集输入DL模型。研究表明，1D-CNN、LSTM等模型在sEMG手势识别中表现出色，但模型复杂度和计算成本是需要考虑的因素。

基于迁移学习和图神经网络的分类

迁移学习（TL）通过利用预训练模型的知识，能够用较少的新用户数据快速适应目标用户，解决数据分布变化（如电极移位、用户间差异）问题，提高模型的泛化能力。

图神经网络（GNN）将电极建模为节点，功能相关性建模为边，能够捕捉肌肉间的相互作用和空间依赖关系，为sEMG手势识别提供了新的视角。

基于注意力机制Transformer的分类

注意力机制使模型能够专注于sEMG信号中最关键的部分。Transformer模型结合自注意力机制，能够有效权衡不同通道的重要性，捕捉全局信息，在提高识别准确率和鲁棒性方面显示出潜力，但同时也面临计算复杂度高的挑战。

上肢假肢设计的开放挑战

尽管取得了进展，但肌电假肢设计仍面临多项挑战。实现多模态传感和高精度识别对于具有多个自由度的灵巧手控制至关重要，但增加手势数量会带来识别难度。电极放置和技术（如电极移位）对信号质量和分类准确性有显著影响，需要进一步研究最优通道选择和鲁棒性方法。大多数技术仅在实验室环境下进行测试，与真实生活场景（ADL）存在差距，需要更全面的测试。软传感器系统（如电子皮肤、电子纹身）因其与皮肤更好的相容性和舒适性，成为未来假肢传感的重要发展方向。

增强肌电假肢鲁棒性的前景

未来研究方向包括：开发包含电极移位、皮肤电阻等多日重复数据的开放数据库；进一步探索熵特征等新兴特征提取方法；开发仿生仿人假肢手以提高灵巧性；研究混合和集成学习以处理大量信息并减少计算时间；利用注意力机制等先进DL技术提高分类器的泛化能力；关注低成本、轻量级、鲁棒假肢设备的实际开发。

结论

本文系统且深入地回顾了传感模态的进展、设计假肢设备面临的实际挑战以及用于肌电假肢控制手势识别的最先进的ML和DL技术。从ML角度，对特征提取、特征选择和模型鲁棒性方面的最新发展进行了批判性回顾。此外，还报告了一些新兴的研究方向，如迁移学习、软传感系统和多模态传感。通过对HGR当前技术的批判性评估，可以推断出需要大量的研究关注才能将ML/DL的潜力转化为既用户友好又可靠的鲁棒假肢设备。未来的假肢发展需要聚焦于制造低成本、轻量级和鲁棒的假肢设备。本文可以为读者提供关于最先进的假肢设备、开放问题和假肢设计挑战以及ML/DL分类器模型潜力及其实现手势识别不同阶段的全面见解。